Utilizzando algoritmi di machine learning, un gruppo di ricercatori spagnoli ha progettato un software che, nei suoi primi test, è stato in grado di prevedere - con una percentuale di successo particolarmente elevata - le aree con l’accesso più agile alle acque sotterranee potabili in due zone a sud del Mali, in Africa.

TAKEAWAY

• A supporto della gestione dell’acqua nelle regioni aride dell’Africa subsahariana, uno studio guidato dall’Università Complutense di Madrid propone il metodo della “mappatura del potenziale delle acque sotterranee” mediante algoritmi di apprendimento automatico.
• Per l’addestramento degli algoritmi, sono stati utilizzati i dati relativi ai 5387 pozzi realizzati in passato in corrispondenza degli acquiferi sotterranei della regione di Koulikoro (Mali), tra cui il numero totale di fori di trivellazione realizzati per ogni pozzo e la loro percentuale di successo.
• La prima mappatura effettuata in fase di test è stata in grado di prevedere il potenziale delle acque sotterranee in tutta l’area di studio, con una percentuale di successo del 90%, segnalando, all’interno della mappa, le aree con il potenziale idrico sotterraneo positivo e quelle in cui, al contrario, si prevede che le acque nel sottosuolo siano assenti.

---

Delle tecniche di intelligenza artificiale quali strumenti di supporto al conseguimento dell’Obiettivo 6 dello Sviluppo Sostenibile – “Garantire l’accesso all’acqua e ai servizi igienici per tutti” – si è già detto sulle pagine della nostra testata. Andando più in profondità, resta, aperta una domanda specifica, che ha a che vedere con la possibilità, per mezzo di algoritmi di intelligenza artificiale, di prevedere e, dunque, di mappare le aree con l’accesso più agile alle acque sotterranee per uso potabile.

Ricordiamo che, oggi, le acque contenute nel sottosuolo – non facilmente identificabili, se non tramite perforazioni del terreno – contribuiscono all’approvvigionamento idrico di acqua potabile di ben 2,5 miliardi di persone in tutto il mondo.

E, in particolare, in regioni aride come quelle dell’Africa subsahariana, esse forniscono una fonte permanente di acqua pulita. Fenomeno, questo, che – considerate le questioni legate ai cambiamenti climatici, tra cui la diminuzione globale delle precipitazioni – andrà sempre più confermandosi.

A tale riguardo, però, in uno studio a cura di un gruppo di ricerca spagnolo, guidato dal Dipartimento di Geodinamica, Stratigrafia e Paleontologia dell’Università Complutense di Madrid (UCM), dal titolo “Preprocessing approaches in machine-learning-based groundwater potential mapping: an application to the Koulikoro and Bamako regions, Mali”, si osserva che, nella stessa Africa subsahariana, se è vero che «le falde acquifere svolgono un ruolo fondamentale nella fornitura di acqua potabile, la loro percentuale è inferiore al 30%». Il che, secondo gli autori:

«… è dovuto principalmente alla mancanza di conoscenze idrogeologiche dell’area, con la conseguenza che milioni di euro di aiuti umanitari vanno persi in operazioni di perforazione infruttuose»

Lo studio – descritto in un articolo apparso sulla rivista scientifica Hydrology and Earth System Sciences, facente capo all’Associazione European Geoscience Union – rovescia la problematica, proponendo il metodo della “mappatura del potenziale delle acque sotterranee”, volto a sostenere la gestione dell’acqua nella regione e, più precisamente, a migliorare l’accesso all’acqua pulita. Vediamo in che modo.

Intelligenza artificiale e acque sotterranee: focus sul Groundwater Potential Mapping

In tema di intelligenza artificiale e acque sotterranee, iniziamo col dire che l’espressione Groundwater Potential Mapping (GPM) – in italiano, appunto, “mappatura del potenziale delle acque sotterranee” – fa riferimento a strumenti in grado di supportare l’esplorazione delle risorse idriche sotterranee mediante la definizione di stime circa lo stoccaggio delle acque nel sottosuolo di una determinata area, la determinazione della probabilità di trovarle e la previsione riguardo il punto esatto in cui potrebbero verificarsi i massimi rendimenti di trivellazione.

L’approccio più recente alla mappatura del potenziale delle acque sotterranee vede l’impiego di algoritmi di machine learning, in grado – rispetto ad altre metodologie – di stabilire correlazioni complesse tra le variabili relative all’esplorazione delle risorse idriche del sottosuolo, tra cui, ad esempio, le caratteristiche delle rocce, i lineamenti geologici, la morfologia e la topografia del suolo, l’uso del suolo stesso, il drenaggio e le variabili relative a pendii, precipitazioni e indici di vegetazione.

Nello specifico, il gruppo di studio guidato dall’Università Complutense di Madrid, utilizzando algoritmi di machine learning, ha sviluppato un software (MMLapper è il suo nome) capace di prevedere le aree con il miglior accesso alle acque sotterranee potabili nelle regioni africane di Bamako e Koulikoro, nel Mali, e nella regione di Ouaddaï, nel Ciad.

Il lavoro citato riguarda, nel dettaglio, le due regioni del Mali, estese su una superficie superiore a 90mila km2, «in cui sono presenti quattro maggiori unità acquifere, ossia acquiferi sotterranei, acquiferi legati a fratture e porosità di rocce, acquiferi formati in rocce vulcaniche intrusive e acquiferi in materiali sedimentari non consolidati».

Per l’addestramento degli algoritmi, l’attenzione dei ricercatori si è focalizzata, in particolare, sugli acquiferi sotterranei a sud della regione di Koulikoro, i cui dati sui pozzi realizzati in passato sono stati forniti dal database della Direzione nazionale dell’acqua del Mali. Dati riguardanti ben 5387 pozzi (3772 riusciti e 1615 falliti) – distribuiti in 1605 insediamenti umani rappresentati dai villaggi – e relativi alla profondità media dei pozzi, alla profondità media della falda, alla conducibilità elettrica media, al numero totale di fori di trivellazione realizzati per ogni pozzo e alla percentuale di successo di tali trivellazioni.

La fase di test della mappatura

Ai fini dell’addestramento degli algoritmi di machine learning sviluppati dal team di studio in tema di intelligenza artificiale e acque sotterranee, il potenziale delle acque del sottosuolo è stato definito come la probabilità che un pozzo trivellato abbia successo, ossia che porti all’approvvigionamento di acqua pulita.

«I pozzi di successo sono quelli che producono acqua pulita sufficiente per giustificare l’installazione di una pompa a mano. Pertanto, la variabile target è binaria e viene interpretata come “presenza” o “assenza “di acque sotterranee potabili». Così, i villaggi in cui oltre il 50% dei pozzi avevano successo sono stati etichettati come “positivi”, gli altri come “negativi”. 

Il potenziale delle acque sotterranee, a sua volta, dipende dalla quantità di precipitazioni, dalla temperatura e dal grado di evapotraspirazione, dalla tipologia del suolo e dal suo livello di umidità, dalla densità di vegetazione che lo ricopre, dalla sua pendenza e densità di drenaggio, nonché dalla portata e profondità della falda acquifera.

Sulla base dei dati somministrati, inerenti ai pozzi positivi e negativi già realizzati, in fase di test il software è stato in grado di prevedere il potenziale delle acque sotterranee in tutta l’area di studio con una percentuale di successo del 90%, assegnando, all’interno della mappa elaborata, il “valore 1” ai pixel con i quali viene rappresentata l’area con il potenziale idrico sotterraneo positivo e “0” ai pixel con cui viene presentata l’area in cui si prevede che le acque sotterranee siano assenti.

Nel dettaglio, i pixel verdi – spiegano gli autori dello studio – «indicano che tutti gli algoritmi hanno concordato su un esito positivo del potenziale delle acque sotterranee. Al contrario, le zone rosse rappresentano quei pixel in cui tutti gli algoritmi hanno concordano su un potenziale negativo».

Intelligenza artificiale e acque sotterranee: la corrispondenza tra mappatura e variabili

In tema di intelligenza artificiale e acque sotterranee, guardando alla mappatura predittiva realizzata dal software AI in fase di test, quello che emerge è una predominanza di aree verdi a sud della zona presa in esame (Bamako e Koulikoro) e una maggiore presenza di aree rosse al nord.

Volendo trovare delle corrispondenze tra il lavoro dal software AI nell’analizzare e nell’incrociare la mole di dati e la mappatura realizzata, la suddivisione del territorio sembra coincidere prevalentemente con la quantità di precipitazioni annue (una delle variabili più importanti per la presenza di acque sotterranee), oltre che – soprattutto per quanto riguarda le aree a basso potenziale di acque nel sottosuolo – con affioramenti montuosi del sud-ovest.

La parte settentrionale – come accennato – presenta un basso potenziale idrico sotterraneo, sebbene le condizioni geologiche, nota il team, siano in questa zona favorevoli per le acque sotterranee, ma sono le scarse precipitazioni a rappresentare il suo punto critico.

Anche la parte centrale della mappa mostra un certo potenziale di acque sotterranee, tranne che nelle aree di quota più elevata. «Questa regione – spiegano gli autori – costituita da materiali metasedimentari consolidati, presenta uno spessore medio della falda acquifera di 30–50 metri». Mentre, le aree nei pressi dei grandi fiumi come il Niger, il Sankarani e il Bani, hanno un alto potenziale, attribuibile all’elevata permeabilità dei sedimenti alluvionali.

Considerato l’esito positivo ottenuto – nelle sue prime fasi di test – dallo strumento messo a punto, l’obiettivo dei suoi autori ora è rivolto alla sperimentazione in altre regioni aride dell’Africa, per poi passare al suo concreto utilizzo su larga scala, col fine di sostenere in modo fattivo, sfruttando il potenziale delle tecniche di intelligenza artificiale, l’accesso all’acqua potabile in quelle aree del mondo in cui è problematico, a causa delle caratteristiche idrogeologiche fisiche del suolo e delle mancanza di mezzi a disposizione.